买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉江苏大学附属医院申请的专利基于图神经网络的淋巴水肿病理网络构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118919099B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410941261.7，技术领域涉及：G16H70/60；该发明授权基于图神经网络的淋巴水肿病理网络构建方法是由王欣设计研发完成，并于2024-07-15向国家知识产权局提交的专利申请。

本基于图神经网络的淋巴水肿病理网络构建方法在说明书摘要公布了：本发明涉及基于图神经网络的淋巴水肿病理网络构建方法。首先收集患者的淋巴系统医学影像数据、临床记录和生物标记数据，使用图像处理技术提取关键特征并将其结构化为图的节点和边；接着基于淋巴系统的解剖结构和生理功能，定义图的拓扑结构，并引入多模态数据融合技术结合影像数据和生物标记数据；然后设计多层图卷积网络模型，用于学习淋巴结及其连接的模式，并引入注意力机制；然后利用图卷积网络进行深度学习以提取节点和边的隐藏特征，并应用图嵌入技术将高维图数据转化为低维空间；最后开发基于图的异常检测算法，用于识别与常见模式显著不同的病理变化，并结合时间序列分析预测淋巴水肿的病理进展。

本发明授权基于图神经网络的淋巴水肿病理网络构建方法在权利要求书中公布了：1.基于图神经网络的淋巴水肿病理网络构建方法，其特征在于包括以下步骤：首先收集患者的淋巴系统医学影像数据、临床记录和生物标记数据，使用图像处理技术提取关键特征并将其结构化为图的节点和边，其中节点代表淋巴结，边代表淋巴流动的路径或相互作用； 接着基于淋巴系统的解剖结构和生理功能，定义图的拓扑结构，并引入多模态数据融合技术结合影像数据和生物标记数据以增强图网络的信息准确性； 然后设计多层图卷积网络模型，用于学习淋巴结及其连接的模式，并引入注意力机制以识别和强调在淋巴水肿发展中起作用的节点和边； 然后利用图卷积网络进行深度学习以提取节点和边的隐藏特征，并应用图嵌入技术将高维图数据转化为低维空间以便进行分类或聚类分析； 最后开发基于图的异常检测算法，用于识别与常见模式显著不同的病理变化，并结合时间序列分析预测淋巴水肿的病理进展； 所述使用图像处理技术提取关键特征包括以下步骤： S1、首先，采统一的数据处理框架： 其中G和H代表包括CT、MRI影像数据，血液生化指标，患者症状记录的不同数据源的处理函数，用于同步处理和整合多种类型的数据； S2、然后应用图像处理算法通过函数： 其中vn是图像中每个像素点的值，是平均像素值，用于识别和量化淋巴结的大小、形状和分布特征； S3、接着通过图构建算法： 其中E是边的集合，αij是边的权重，ki和kj是连接边的节点的特征值，用于将提取的特征转化为图中的节点和边，节点代表淋巴结，边代表结之间的生理关系或信号传递路径； 所述定义图的拓扑结构包括以下步骤： S1、首先采用图拓扑生成算法： 其中N表示节点，L表示边，Li是基于解剖结构指定的连接，Ai是相应的生理功能连接，d是节点间距离，σ是规范化参数，用于根据淋巴结的解剖位置和生理功能构建图的节点和边； S2、接着应用多模态深度融合网络通过函数： 其中x,y,z分别代表不同模态的输入数据，wk和vj是从数据中学习到的权重，用于整合来自包括MRI、CT扫描、血液生化指标的不同源信息，增强最终图结构数据的准确性； 所述多层图卷积网络模型构建过程： 首先引入并实施多层图卷积网络GCN的自适应层结构，通过计算公式： 其中G代表图的整体结构，E代表图中的边集，xi和xi-1分别表示连续节点的特征向量，αi为层间适应性因子，∈为平滑常数，用以调整网络层的结构，以适应淋巴结的解剖特征和病理变化； 其次引入基于图的注意力机制，计算公式为： 其中u和v是图中的节点，fu和fv表示节点u和v的特征向量，β为学习到的注意力集中度参数，δ为正则化常数，用于强调与淋巴水肿发展关键相关的节点和边； 所述提取节点和边的隐藏特征的方法采用步骤： S1、首先设计并实施多层图卷积网络GCN的自适应层结构，通过调整卷积核参数的图卷积操作来适应节点的连接性和特征多样性，其中每一层的卷积核大小和特征提取方法根据图的局部结构动态调整，以捕捉淋巴结间生物标记和病理特征； S2、进一步集成多尺度特征提取策略，在不同的层次上捕捉从微观到宏观的生物标记特征，并引入跨层连接以增强信息流和特征复用，以提高分类和聚类的精度； S3、最后应用基于深度学习的非线性降维方法进行图嵌入，针对图数据设计，在保持图的拓扑结构和节点间的关系的同时，构建高维到低维的映射，便于进行后续的分类或聚类分析； 所述基于图的异常检测算法组成： S1、首先实施动态图卷积网络DGCN，采用动态图卷积层，通过函数： 来更新节点表示，其中t表示时间步，v是当前节点，是节点v的邻居集合，Wt和bt分别为时间步t的权重矩阵和偏置向量，ht-1u是节点u在时间t-1的嵌入表示，σ是高斯核的标准差，用于模拟节点之间的相互作用强度； S2、接着应用基于图的异常检测算法GAD，通过计算： 来识别异常，其中fv和fu分别是节点v和其邻居u的嵌入向量，p是选定的正实数，用于增加异常检测的灵敏度和区分度； S3、最后结合时间序列分析和预测模型，通过长短期记忆网络LSTM处理时间序列图数据，具体实施公式为： ht＝LSTMht-1,α·ht-1+1-α·xt 其中ht是在时间t的隐藏状态，xt是输入特征，α是一个介于0和1之间的学习率，用于平衡历史信息和当前输入的影响，以预测淋巴水肿的病理进展。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏大学附属医院，其通讯地址为：212001 江苏省镇江市京口区解放路438号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。